L'intelligenza artificiale ha visto nel tempo il delinearsi di due paradigmi distinti: quello simbolico, basato sulla manipolazione di simboli come metodo di approssimazione dell’intelligenza umana, e quello sub-simbolico, basato invece sull’applicazione di procedure statistiche o numeriche. Sebbene il secondo goda oggi di un rinnovato successo — anche grazie ai vantaggi dal punto di vista di scalabilità e capacità di gestione della conoscenza contestuale —, esso manca di uno dei principali pregi delle tecniche simboliche: la comprensibilità. Le tecniche sub-simboliche infatti producono spesso predittori difficilmente comprensibili ad un osservatore umano, rendendo le decisioni basate su essi difficilmente interpretabili. D'altra parte, i modelli simbolici — che viceversa sono facilmente comprensibili — non sono arrivati finora ad un'ampia diffusione, presentando limiti sia in termini di performance che in termini di capacità di apprendere. Muovendo da queste considerazioni, è nato un nuovo campo di ricerca, che mira ad unificare e sfruttare in maniera sinergica il paradigma simbolico e sub-simbolico. Le tecniche ibride — che combinano cioè i due approcci a livello di modello — potrebbero fornire la chiave per il superamento dei limiti di entrambi, sfruttandone al contempo i pregi, a particolare beneficio della spiegabilità dei sistemi intelligenti. Tra gli ambiti potenzialmente intersecati con questo nuovo campo di ricerca c'è il ramo della Computazione Neuro Simbolica (NSC), che corrisponde all'oggetto di analisi ed esplorazione di questa tesi. Il primo obiettivo della tesi è fornire una rassegna della letteratura in ambito NSC, finalizzata a valutarne l'impiego nella creazione di sistemi intelligenti spiegabili. Come secondo obiettivo, la tesi si occupa di discutere un possibile modello di integrazione, e della sua prototipazione e validazione, selezionando le tecnologie più adatte alla sua realizzazione nel campo della Computazione Neuro Simbolica.